构建基于大模型的智能测试平台：WHartTest 技术架构与 TaoToken 统一接入实践

1. 为什么要在 WHartTest 里做统一大模型接入WHartTest小麦智测是一个开源智能测试平台核心能力是用大模型把需求文档转成可执行测试用例再通过 Playwright 这类 MCP 工具做 UI 自动探索与执行。它后端用 Django DRFAI 编排层用 LangChain LangGraph知识库用 ChromaDB BGE-M3 做 RAG 检索。听起来链路很完整但真正落地时第一个卡点往往不是代码而是大模型通道怎么接。我见过太多团队在 WHartTest 的langgraph_integration模块里硬编码某一家模型的地址和 Key结果换模型要改代码、多项目共用要复制 Key、额度分散在好几个后台。WHartTest 本身支持 LLM 配置管理但配置项是通用的 OpenAI 兼容格式这意味着只要有一个统一 Key/API 通道就能把测试用例生成、需求评审、AI 对话全部收敛到一处。TaoToken 在这里扮演的就是这个统一通道它提供 OpenAI 兼容的 API 入口WHartTest 的 LangGraph 节点、Cline、CC Switch 都能用同一套 Key 和 Base URL。你不需要在 WHartTest 里为每个模型单独写适配层只要把base_url指向https://taotoken.net/api模型名按需切换即可。这篇就按「先讲清场景 → 再给可复制配置 → 最后验证闭环」的顺序把 WHartTest 的大模型调用跑通。适合谁看正在本地或内网部署 WHartTest、想让测试用例生成链路真正跑起来、又不想被多家模型 Key 管理拖住的测试开发同学。2. TaoToken 前置Key 与通道准备在动 WHartTest 的配置文件之前先把通道准备好。TaoToken 的定位是统一的大模型 API 接入层你拿一个 Key就能在 WHartTest、Cline、CC Switch 等多个工具里复用不用每个工具单独申请。第一步打开控制台创建 API Key。地址是https://taotoken.net/console登录后在 API Keys 页面新建一个 Key复制出来先存到本地环境变量里别直接写进代码仓库。我习惯用.env文件管理WHartTest 后端本来就支持.env正好复用。第二步确认你要用的模型名。TaoToken 的模型对话页面可以查看当前可用的模型列表地址是https://taotoken.net/models。WHartTest 的 LangGraph 节点在调用时需要一个model字段这个字段填的就是模型名。测试用例生成建议用长上下文、指令跟随稳的模型需求评审可以用推理强一点的。第三步记住两个地址。官网入口是https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentAPI 基址是https://taotoken.net/api。注意 API 基址后面不加 UTM 参数直接用于代码里的base_url。提示Key 只显示一次创建后立刻复制。如果丢了就重新生成一个旧 Key 可以在控制台吊销。如果你后面还要接 Cline 或 CC Switch 做编码辅助同一个 Key 可以直接复用不需要再申请。这就是统一通道的价值WHartTest 跑测试用例生成、Cline 写代码、CC Switch 切模型全走一个入口。3. 可复制配置settings.json 与 config.toml 骨架WHartTest 后端是 DjangoLLM 配置存在数据库里但本地开发时更推荐用环境变量 配置文件的方式方便版本管理和多环境切换。下面给两套骨架一套给 WHartTest 后端一套给 Cline / CC Switch。3.1 WHartTest 后端 .env 与 LLM 配置在WHartTest_Django根目录下.env文件里加上这几项# .env LLM_PROVIDERopenai_compatible LLM_BASE_URLhttps://taotoken.net/api LLM_API_KEYsk-your-taotoken-key LLM_MODELgpt-4o-mini LLM_TIMEOUT120 EMBEDDING_API_BASEhttps://taotoken.net/api EMBEDDING_API_KEYsk-your-taotoken-key然后在langgraph_integration的 LLM 配置读取处确保它优先读环境变量。WHartTest 的 LLM 配置模型里通常有base_url、api_key、model_name三个字段你在前端「LLM 配置管理」页面新建配置时按下面填字段填写值配置名称taotoken-defaultBase URLhttps://taotoken.net/apiAPI Keysk-your-taotoken-key模型名称gpt-4o-mini超时120保存后在「LLM 会话」页面选择这个配置LangGraph 节点就会走 TaoToken 通道。3.2 Cline 的 settings.jsonCline 是 VS Code 里的编码 AgentWHartTest 开发过程中可以用它辅助写 LangGraph 节点。Cline 的配置在 VS Code 设置里对应settings.json{ cline.apiProvider: openai, cline.openAiBaseUrl: https://taotoken.net/api, cline.openAiApiKey: sk-your-taotoken-key, cline.openAiModelId: gpt-4o-mini }如果你用的是 Cline 的独立配置文件结构类似关键是baseUrl指向https://taotoken.net/apiapiKey填 TaoToken 的 Key。3.3 CC Switch 的 config.tomlCC Switch 用于在多个模型配置间快速切换它的config.toml骨架如下[[providers]] name taotoken base_url https://taotoken.net/api api_key sk-your-taotoken-key model gpt-4o-mini timeout 120 [[providers]] name taotoken-reasoning base_url https://taotoken.net/api api_key sk-your-taotoken-key model o1-mini timeout 180这样你在 WHartTest 里做用例生成用第一个做需求评审用第二个切换只改name。注意所有配置文件里的 Key 都不要提交到 Git。用.gitignore把.env、config.toml排除掉。4. 验证请求从 curl 到 WHartTest 闭环配置写完不算完得验证通道真的通。分三步先 curl 测通道再测 WHartTest 的 LLM 会话最后跑一次测试用例生成。4.1 curl 验证 TaoToken 通道curl -X POST https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer sk-your-taotoken-key \ -H Content-Type: application/json \ -d { model: gpt-4o-mini, messages: [{role: user, content: 回复 OK}], max_tokens: 10 }如果返回里有choices[0].message.content说明通道正常。这一步能排除 Key 错误、Base URL 写错、模型名不存在这三类问题。4.2 WHartTest LLM 会话验证启动后端cd WHartTest_Django source .venv/bin/activate gunicorn wharttest_django.wsgi:application --bind 0.0.0.0:8000 --workers 4 --timeout 120前端启动cd WHartTest_Vue npm run dev登录后进入「LLM 会话」页面选择刚才建的taotoken-default配置发一句「你好」。如果流式响应正常返回说明 WHartTest 的 LangGraph 节点已经走通 TaoToken。4.3 测试用例生成闭环进入「需求管理」新建一条需求粘贴一段需求描述比如「用户登录功能支持手机号验证码登录验证码 60 秒有效」。然后点「AI 生成用例」WHartTest 会调用 LangGraph 编排的链路需求文本 → 提示词模板 → TaoToken 通道 → 模型返回 → 解析成用例结构。如果用例列表里出现了带步骤的用例说明整条链路跑通了。我实测下来从需求到用例大概 10 到 20 秒取决于模型和需求长度。4.4 MCP 工具连通性WHartTest 的 MCP 工具testauto_tools.py默认连本地后端http://127.0.0.1:8000Key 在系统管理里获取。启动python testauto_tools.py服务在http://0.0.0.0:8006启动。然后在 MCP 客户端配置里加上{ mcpServers: { testauto-tools: { command: python, args: [path/to/testauto_tools.py], env: {} } } }这样 AI 探索测试时模型通过 TaoToken 生成操作序列MCP 工具负责执行闭环就完整了。5. 本篇常见错排查配置过程中最容易踩的坑集中在几个地方我按出现频率排一下。报错一401 Unauthorized。九成是 Key 写错或没带Bearer前缀。检查Authorization: Bearer sk-xxx格式注意Bearer和 Key 之间有一个空格。如果 Key 是从控制台复制的确认没有多余换行。报错二404 model not found。模型名填错了。TaoToken 的模型名要和模型对话页面里列出的完全一致大小写敏感。别自己拼模型名直接复制。报错三Base URL 多了斜杠。有人写成https://taotoken.net/api/末尾多一个斜杠导致拼接出//v1/chat/completions。正确写法是https://taotoken.net/api不带末尾斜杠。报错四WHartTest 前端跨域。本地开发时前端localhost:5173调后端localhost:8000需要在vite.config.js里配代理或者后端开 CORS。WHartTest 的.env里VITE_USE_PROXYtrue配合代理配置能解决。报错五LangGraph 节点超时。需求文档太长时模型响应可能超过默认超时。把LLM_TIMEOUT调到 180 或 300Gunicorn 的--timeout也要同步调大。报错六嵌入模型连不上。WHartTest 的知识库用 BGE-M3 做向量化如果走 API 方式EMBEDDING_API_BASE也要指向 TaoToken。检查日志里有没有「嵌入模型API连接成功」。提示排查时先 curl 测通道再测 WHartTest最后测 MCP。逐层排除别一上来就改代码。6. 接入文档与后续动作通道跑通后下一步是把配置固化下来。WHartTest 的 LLM 配置支持多套你可以建「生成用」「评审用」「探索用」三个配置都指向 TaoToken只是模型名不同。这样在 LangGraph 节点里按场景选配置不用改代码。如果你还要接更多工具比如用 Cline 写 WHartTest 的 LangGraph 节点、用 CC Switch 在模型间切换同一个 TaoToken Key 直接复用。API Keys 管理页面在https://taotoken.net/api-keys接入文档在https://taotoken.net/doc里面有 OpenAI 兼容接口的完整说明。长期做测试平台开发的话可以考虑 Coding Plan把编码辅助和测试用例生成都收敛到一套额度里地址是https://taotoken.net/coding-plan。模型对话页面https://taotoken.net/models可以随时查可用模型换模型只改配置里的model字段。最后提醒一句WHartTest 的 MCP 工具连的是本地后端别把生产库地址填进去。测试平台的数据隔离靠 Django 的项目级权限配置时确认DEBUGFalse、SECRET_KEY换掉、数据库切到 PostgreSQL这些在生产检查清单里都有。把通道和权限两件事都做扎实智能测试平台才算真正落地。